[發明專利]融合多種上下文深度學習模型的水稻病害圖像檢測方法

有效

• 申請號: 201710894729.1
• 申請日: 2017-09-28
• 公開（公告）號: CN107808375B
• 公開（公告）日: 2019-07-16
• 發明（設計）人: 謝成軍;王儒敬;張潔;李瑞;陳天嬌
• 申請（專利權）人: 中國科學院合肥物質科學研究院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62
• 代理公司: 合肥國和專利代理事務所(普通合伙) 34131
• 代理人: 張祥騫

1.一種融合多種上下文深度學習模型的水稻病害圖像檢測方法，其特征在于，包括以下步驟：

11)訓練樣本的收集和預處理，收集若干幅水稻病害圖像及其相對應病害發生時的時間、空間、溫濕度信息作為訓練數據，人工標記出水稻圖像中病害發生部分，將所有標記圖像的大小歸一化為32×32像素，得到若干類病害，每類病害有若干個病害圖像訓練樣本；

12)基于深度學習融合水稻圖像上下文信息獲得水稻病害圖像檢測模型，構建水稻病害圖像全局上下文訓練模型、局部上下文訓練模型，并引入不同水稻病害發生時空間、時間、溫濕度上下文信息作為特征數據，訓練基于多種上下深度學習的水稻病害檢測模型；

所述的基于深度學習融合水稻圖像上下文信息獲得水稻病害圖像檢測模型包括以下步驟：

121)構建水稻病害圖像全局上下文訓練模型；

122)構建水稻病害圖像局部上下文訓練模型；

123)收集水稻病害全局圖像，

收集水稻病害圖像數據集X_i表示病害圖像，Y_i表示對應的病害圖像標記信息；

124)收集水稻病害局部圖像，

以水稻病害圖像訓練數據集為基礎，通過以下公式收集水稻病害局部圖像數據集其公式如下：

X_j＝{X_i|0＜||l(X_i)-l(X_j)||＜0.5,i＝1,2,3...,M；j＝M+1,...,N}，

Y_j＝{Y_i|0＜||l(X_i)-l(X_j)||＜0.5,i＝1,2,3...,M；j＝M+1,...,N}，

其中，X_j表示在X_i圖像周圍收集的同一類型病害的局部圖像，總數控制在20至30個，在全局病害圖像X_i周圍采集的局部病害圖像的距離范圍控制在0＜||l(X_i)-l(X_j)||＜0.5標準內，l(X_i)為水稻病害圖像X_i的中心點位置坐標，l(X_j)為收集的病害局部圖像中心點位置坐標；Y_j表示在X_i圖像周圍收集的同一類型病害局部圖像的標記信息，在每個X_i周圍收集的多個X_j病害局部圖像，這些局部圖像塊總數控制在20至30個，這些局部圖像塊對應的病害標記信息與Y_i等同設置；

125)構造水稻病害屬性約束上下文訓練模型；

126)融合多種上下文信息獲得水稻病害圖像檢測模型；

通過引入不同水稻病害發生時空間、時間、溫濕度上下文信息作為特征數據，進一步構建水稻病害圖像檢測模型J(W_g,W_l,W_m)，其如下：

其中，m∈{t,s,p}分別表示水稻病害發生時所對應的時間t、空間s與位置p上下文信息；

127)對水稻病害檢測模型進行訓練，其訓練過程如下：

其中，p(X)＝(p₀(X),...,p_K(X))所有病害類別上的概率分布，λ是權值系數，f_loss(p(X),y)＝-logp_y(X)是交叉熵損失函數，為訓練過程中回歸預測的水稻病害圖像位置，

預測計算如下：

通過隨機梯度下降分別獲得深度上下文聯合水稻病害檢測模型參數W_l^*和其計算公式如下：

13)待檢測水稻圖像的空間、位置、溫濕度信息收集和預處理，獲取待檢測水稻圖像及信息，將待檢測水稻圖像的大小歸一化為512×512像素，通過預訓練網絡獲得候選區域圖像塊的特征；

14)病害在水稻圖像中具體位置的標記，將待檢測圖像的空間、位置、溫濕度信息及其候選區域圖像塊的特征輸入訓練后的水稻病害檢測模型，進行水稻病害的識別與檢測，定位并標記出病害在圖像中具體位置。